Mult-agenta simulado estas maniero studi sistemon per modelado de multaj sendependaj aktoroj, nomataj agentoj, ĉiu kun siaj propraj reguloj, celoj aŭ personeco, kaj lasante la ĝeneralan rezulton aperi el kiel ili interagas. Anstataŭ skribi unu ekvacion por "la merkato" aŭ "publika opinio", vi priskribas la individuojn kaj observas kion la grupo faras. Kun modernaj lingvomodeloj, tiuj agentoj povas legi, skribi kaj memori en natura lingvo, kio igas la metodon utila por demandoj pri kiel homoj reagas.
La kerna ideo: konduto eliras el interagado
Multajn gravajn rezultojn ne decidas iu ajn unuopa aktoro. Trafikŝtopiĝoj, prezospiraloj, virusaj onidiroj kaj ŝanĝoj en publika humoro ĉiuj rezultas el multaj lokaj decidoj, kiuj influas unu la alian. Mult-agenta simulado prenas tion serioze.
Tipa simulado havas tri ingrediencojn:
- Agentoj : la aktoroj, ĉiu kun sia propra stato (kion ĝi scias, volas aŭ kredas) kaj konduto (kiel ĝi decidas kion fari poste).
- Medio : la spaco kie agantoj agas kaj observas unu la alian, kiel ekzemple mapo, merkato aŭ socia reto.
- Tempopaŝoj aŭ rondoj : en ĉiu paŝo, agantoj observas, decidas kaj agas, kaj la ĉirkaŭaĵo ŝanĝiĝas kiel rezulto.
Kio distingigas ĉi tiun aliron estas apero : ŝablonoj je la nivelo de la grupo, kiujn neniu rekte programis. Malgranda prefero en ĉiu individuo povas, per ripeta interagado, produkti grandan kaj surprizan kolektivan rezulton.
De kie ĝi venis: agent-bazita modelado
La ideo ne estas nova. Esploristoj pri ekonomiko, ekologio, sociologio kaj komputiko jam uzis agent-bazitan modeligadon dum jardekoj. Fruaj laboroj en la 1970-aj jaroj jam montris, per tre simplaj reguloj sur krado, kiel mildaj individuaj preferoj pri najbaroj povus konduki al forta apartigo je la nivelo de tuta kvartalo. En la sekvaj jardekoj, esploristoj konstruis artefaritajn sociojn, simulis merkatojn kaj modelojn de epidemioj, gregigantaj bestoj kaj trafiko.
Ĉi tiuj klasikaj modeloj havas komunan trajton: agentoj estas intence simplaj. Ĉiu sekvas kelkajn numerajn regulojn, kio igas la modelon travidebla kaj facile analizebla, sed ankaŭ limigas tion, kion ĝi povas diri pri riĉa homa konduto kiel persvado, enkadrigo aŭ ironio.
La nova ondo: agentoj konstruitaj sur lingvomodeloj
Grandaj lingvomodeloj ŝanĝis tion, kio agento povas esti. Ekde ĉirkaŭ 2023, esplorado pri tiel nomataj generaj agentoj montris, ke lingvomodelaj agentoj, donitaj rolulo, memoro pri pasintaj eventoj kaj la kapablo reflekti pri tiu memoro, povas konduti laŭ surprize kredindaj manieroj en simulita komunumo: ili planas siajn tagojn, formas opiniojn, transdonas novaĵojn kaj kunordiĝas unu kun la alia.
Kompare kun klasikaj agento-bazitaj modeloj, lingvo-modelaj agentoj:
- Komuniku en natura lingvo , por ke ili povu reagi al la efektiva vortigo de aserto, ne nur al nombro.
- Portu riĉajn rolulojn , kombinante fonon, valorojn kaj voĉtonon.
- Memoru kaj ĝisdatigu , por ke pli fruaj konversacioj formu pli postan konduton.
La avantaĝo estas, ke ili estas malpli travideblaj kaj pli multekostaj por funkciigi ol regulbazitaj agentoj, kaj ilia konduto reflektas la fortojn kaj antaŭjuĝojn de la subesta modelo.
Kiel InfoDome aplikas ĝin
InfoDome uzas lingvomodelajn agentojn por simuli publikajn kaj koncernatajn reagojn. Vi alŝutas dokumentojn kaj priskribas kion vi volas antaŭdiri; InfoDome eltiras sciografon de la homoj, organizoj kaj grupoj en via materialo, poste kreas centojn da agentoj kun sia propra karaktero, pozicio kaj longtempa memoro, disigitaj tra ĝis 10 aŭdantaro-landoj, kiujn vi elektas. La agentoj interagas paralele en Twitter -simila fluo kaj Reddit -simila forumo dum difinita nombro da rondoj, kaj analizisto skribas prognozan raporton, kiun vi povas pridemandi, kune kun iu ajn individua agento. La paŝon post paŝa mekaniko estas klarigita en kiel AI-homamassimulado antaŭdiras reagojn .
Kiam pluragenta simulado helpas
La metodo estas plej valora kiam la rezulto dependas de interagado anstataŭ de iu ajn unuopa decido:
- Reagoj kiuj konstruiĝas sur reagoj : krizoj, onidiroj, publikaj debatoj, kie la respondo al la unua respondo gravas plej multe.
- Multaj koncernatoj kun malsamaj interesoj : politikaj ŝanĝoj, organiza restrukturado, intertraktadoj.
- Strategia interagado : konkurantaj respondoj aŭ militludado, kie ĉiu flanko adaptiĝas al la alia.
- Frua esplorado : kiam vi bezonas hipotezojn rapide, antaŭ enketo aŭ kampa studo, aŭ kiam reala testo estas tro multekosta aŭ tro riska.
- Mesaĝkomparo : komparante la saman aŭdantaron kun du versioj de deklaro por vidi kiu kadrigo iras pli pluen.
Kiam ĝi ne helpas
Estas same grave scii kiam ne uzi ĝin:
- Kiam vi bezonas reprezentajn nombrojn. Simulado ne estas balotenketo; ĝiaj proporcioj ne estu legitaj kiel realmondaj procentoj.
- Kiam bonaj historiaj datumoj jam respondas la demandon. Se vi havas jarojn da vendodatumoj por stabila produkto, statistika prognozo povas esti pli fidinda.
- Kiam la enigaĵo estas maldika. Agentoj estas nur tiom bazitaj kiom la materialo el kiu ili estas konstruitaj. Mankantaj koncernatoj signifas mankantajn voĉojn.
- Kiam vi volas certecon. Malsamaj provoj povas disvolviĝi malsame. La rezulto estas reviziebla hipotezo kiu subtenas juĝon; ĝi ne anstataŭigas ĝin.
Funkciita ekzemplo
Mezgranda loĝistika kompanio konsideras transiron al kvartaga laborsemajno por oficeja personaro. La estraro volas scii kiel dungitoj, teamestroj kaj klientoj eble reagos. Kalkultabela modelo povus taksi kostojn, sed ne kiel onidiro pri "kaŝita kromlaboro" eble disvastiĝos inter la dungitaro, aŭ kiel ŝlosila kliento legus la novaĵojn.
La dungitaro-teamo alŝutas la internan proponon kaj resumon de lastatempa dungitaran enketo al InfoDome, priskribas la demandon, kaj faras 20 rondojn en unu lando. En la forumo, teamestroj esprimas zorgojn pri la kovrado vendrede; en la fluo, pli junaj dungitoj bonvenigas la ŝanĝon sed dividas zorgon, ke la laborkvantoj simple estos kunpremitaj. Klienta agento demandas ĉu respondotempoj ŝanĝiĝos. La raporto de la analizisto sugestas, ke klareco pri la vendreda kovrado estas la decida faktoro por kaj teamestroj kaj klientoj.
Intervjuante teamestron, HR ekscias, ke rotacia vendreda horaro mildigus ĝiajn zorgojn. La gvidantaro traktas tion kiel hipotezon por testi en reala pilotprogramo kun du fakoj, ne kiel finan respondon. Tio estas bona uzo de plur-agenta simulado: ĝi malvastigis neklaran demandon al specifa, testebla. Se vi laboras pri similaj antaŭenrigardaj demandoj, la scenara planado estas bona deirpunkto.
Komenco
Vi ne bezonas programajn kapablojn por funkciigi plur-agentan simulaĵon per InfoDome. La unuopa plano kostas 29 € monate, inkluzivas 9 € monatan buĝeton por uzo de artefarita inteligenteco kaj senlimajn projektojn, kaj povas esti nuligita iam ajn. Preparu vian unuan scenaron en la konzolo ; vi povas agordi taskon antaŭ ol registriĝi.
Oftaj Demandoj
Ĉu pluragenta simulado estas la sama kiel agent-bazita modelado?
Ili estas proksime rilataj terminoj. Agento-bazita modelado kutime rilatas al la klasika esplortradicio kun simplaj regul-bazitaj agentoj, dum plur-agenta simulado ofte estas uzata pli larĝe, inkluzive de agentoj konstruitaj sur lingvaj modeloj.
Kio estas generaj agentoj?
Generaj agentoj estas artefarita inteligenteco-agentoj konstruitaj sur lingvaj modeloj, kiuj havas rolulon, memoron pri pasintaj eventoj kaj la kapablon plani kaj reflekti. Esploroj montris, ke ili povas produkti kredindan socian konduton en simulitaj komunumoj.
Ĉu simulado povas anstataŭigi enketon?
Ne. Simulado rapide generas kaj testas hipotezojn, dum enketo mezuras kion realaj homoj diras. Ili plej bone funkcias kune: simulu unue por akrigi la demandojn, poste konfirmu per realaj datumoj kiam tio gravas.
Ĉu mi bezonas kodi por uzi ĝin?
Ne kun InfoDome. Vi alŝutas dokumentojn, priskribas la demandon per simplaj vortoj, elektas landojn kaj rondojn, kaj legas la raporton.